基于双松弛分裂Bregman迭代解决全变分去噪问题.docVIP

基于双松弛分裂Bregman迭代解决全变分去噪问题 摘要 在基于偏微分方程的图像处理的快速发展过程中，前人提出了众多的模型和算法，传统的图像复原方法多建立在线性系统的基础之上，如winner滤波器等。沿着正则滤波的思路，Rudin, Osher和Fatemi提出了著名的一种全变分模型——ROF模型。但是ROF模型有严重的非线性和非可微性，2007年，Goldstein和Osher提出分裂Bregman方法是处理上述问题较为高效的方法 本文的主要工作是将分裂Bregman迭代算法的1模和2模迭代过程中分别加入一个松弛因子得到新的双松弛分裂Bregman迭代算法DRSB），并对图像进行各向异性全变分去噪 关键词：分裂Bregman，Gauss 第一章绪论 21世纪是数字信息化时代，信息不再是单纯的语言，它已经包含了数据、文字、图像、视频等多种多样的多媒体形式。科学研究表明，人类从外界获取信息约有75％来自视觉系统，即从图像中获得的[1]。图像处理技术在人类生产和生活中起到了越来越重要的作用。例如，人们在网络上浏览、下载丰富的图像、视频等多媒体信息；医生根据核磁共振扫描图像对患者进行疾病诊断；科学家根据卫星遥感图像对矿产等进行遥控定位与预测等。 图像具有信息量大、传输距离远、传输速度快的特点，已经成为人类获取及利用信息的重要来源和手段。图像包含的信息量和直观性是文字、声音无法比拟的[1]。但是，图像在生成和传输的过程中难免会遭受到噪声的污染，使得图像的质量受到损害。这种噪声不仅不符合人们的视觉要求，并且对图像的后续处理也是很不利的。因此，在图像的预处理阶段中，有必要对图像进行去噪，以提高图像的信噪比[2]。 1.2 国内外研究现状 图像处理是当今计算机科学界最重要的应用之一，它引起了众多数学工作者的注意。利用变分或PDE方法进行图像处理是到目前为止最有效的方法之一。而分裂Bregman方法是求解变分模型最有效的方法。 变分、PDE方法包括图像去噪的各项异性扩散模型(Perona Malik, PM)[3]以及全变差模型(Rudin Osher Fatemi, ROF)[4]等都是比较典型的代表。 目前，ROF 模型的运算速度非常慢，研究人员在设计快速且稳定的计算方法方面做了大量的研究。他们对含有L1正则项的优化问题的数值求解进行了深入的研究，其中，基于分裂Bregman迭代的Osher等人开创了将Bregman迭代技巧应用到图像处理的工作，提出了基于Bregman距离的图像复原迭代方法，其基本思想在于给出一个迭代格式，以此生成一个解的序列，并根据前一步迭代中得到的信息来修正后一步的迭代格式。这种方法得到的去噪图像在视觉效果和信噪比上都有很大的提高[27]。 由于采用Bregman迭代方法相当于多次计算ROF模型，这样将不得不进行多次复杂的变分计算，为加快算法的整体运算速度，Goldstein和Osher在文献[23]中提出用分裂Bregman算法求解带有L1正则项的ROF全变分去噪模型和出现在磁共振成像中的压缩感知问题，成功解决了一直困扰ROF模型运算速度缓慢的问题。此方法数值求解过程比较稳定且具有较快的计算速度和收敛速度等优势，已经被广泛应用于图像处理领域[7][25]。 1.3 内容简介 本文提出了一种改进的针对ROF模型的分裂Bregman算法(S Bregman Algorithm)——双松弛分裂Bregman迭代算法()，改进主要发生在对于原算法中的1模和2模迭代过程中分别加入一个松弛因子。文章具体安排如下： 第二章介绍了图像处理的基础知识及一些经典的去噪模型； 第章将介绍关于Bregman距离，分裂Bregman迭代算法的思想、步骤及收敛性等； 第章将阐述本人提出的算法双松弛分裂Bregman迭代算法的具体去噪模型格式及变分形式等； 第章将运用本人改进的DRSB算法对于ROF去噪模型进行应用，主要针对各项异性去噪模型进行实验，对于不同的松弛参数，给出参数变化产生的规律及性噪比收敛速度的比较结果； 在本文的最后，我们总结了DRSB方法的，本文尝试的一些工作以及进一步要开展的工作和展望。  2.1 图像处理 2.1.1 图像处理的发展 图像处理是一门快速发展的学科，在科学研究、工业生产、医疗卫生、教育、通信等诸多领域中都有着广泛的应用。图像处理已经成为最重要的应用学科之一。图像处理的学科体系可分为三个层次来进行：图像处理，图像分析和图像理解。图像处理被称为低层图像处理，主要内容包括图像滤波图像增强图像复原图像编码压缩图像分割等[]。 语义符号